车联网中基于多接入边缘计算的协同任务卸载策略

车联网作为智能交通与新一代移动通信网络深度融合的典型应用场景，承载着自动驾驶、车路协同、车载信息娱乐等大量计算密集型与时延敏感型任务，传统本地计算与远程云计算模式难以同时满足低时延、高可靠、高能效的服务需求。多接入边缘计算（Multi-Access Edge Computing，MEC）通过将计算、存储与网络能力下沉至网络边缘，为车联网任务提供近源处理支撑，成为破解车载终端资源瓶颈的关键技术。然而，车辆高速移动性、网络拓扑动态性、任务异构性与边缘节点资源受限性相互耦合，导致现有任务卸载策略存在协同效率低、资源分配不合理、时延与能耗优化失衡等问题。为此，本文面向车联网高动态、强实时、多约束的运行特征，构建车联网-MEC 多层协同架构，系统分析任务特性、通信链路与资源约束，建立以系统总成本最小化为目标、兼顾任务完成质量与资源公平性的混合整数非线性优化问题模型；设计动态任务划分机制，实现基于依赖关系的子任务分解与优先级可卸载性评估；提出集中式与分布式融合的混合决策架构，结合深度强化学习算法与邻居节点资源协商机制，完成协同卸载决策与自适应资源分配；通过仿真实验从多场景、多指标维度验证所提策略的有效性与优越性。研究结果表明，本文策略能够显著降低任务处理时延与车载终端能耗，提升边缘资源利用率与任务完成率，为车联网高效计算卸载与资源协同提供理论依据与技术支撑。